Proč AI modely pro generování obrázků stále bojují se složitými kompozicemi

Vygenerovat jednoduchou tropickou fotografii s jednou osobou a kokosovým ořechem se podaří na první pokus. Požádat o anime plakát s celým obsazením seriálu 13 Reasons Why – s kanonickými outfity, propracovanou kompozicí, integrovanou typografií a abstraktním pozadím – však selže. Toto selhání, zaznamenané v reálné uživatelské relaci s pokročilým AI modelem, odhaluje současnou hranici kvality generativních obrázků: složité kompoziční požadavky zůstávají tím nejtěžším problémem.

Co požadavek obsahoval

Uživatel zadal neobvykle podrobný, profesionální prompt pro vytvoření editorského anime plakátu k seriálu Netflixu. Požadavek zahrnoval:

• Věrnost předloze: Každá postava v přesném oblečení ze seriálu, žádné redesigny
• Kompozici: Hlavní postava uprostřed v popředí, v polopostavě, velká; vedlejší postavy za ní v různé hloubce a měřítku
• Styl: Čisté anime linky, polostínované stínování, vysoký kontrast, 4K rozlišení
• Branding: Typografie názvu seriálu původním fontem, jedna ikonická citace jako grafický prvek
• Náladu: Malířské tahy štětcem, diagonální energetické linie, drsné překryvy odpovídající tónu seriálu – to vše integrované na bílém pozadí s abstraktními tvary reprezentujícími prostředí seriálu

Toto není jednoduchý požadavek. Vyžaduje konzistentní rozpoznávání postav napříč několika figurami, přesnou kontrolu rozmístění a vykreslení textu v jediném obrázku – tři známé slabiny generativních modelů.

Proč model požadavek zamítl

Model vrátil chybu: „AI model nemohl dokončit tento požadavek. Zkuste to prosím znovu nebo zvolte jiný model.“ Toto ploché odmítnutí – nikoli generace nekvalitního výstupu – signalizuje, že prompt překročil bezpečnostní nebo schopnostní práh.

Selhání pravděpodobně způsobilo několik faktorů:

1. Citlivost na autorská práva a ochranné známky. 13 Reasons Why je licencovaný majetek Netflixu. Modely stále častěji blokují prompty, které výslovně odkazují na skutečné zábavní značky, jména herců nebo názvy seriálů, aby se vyhnuly generování odvozeného obsahu chráněného autorským právem. Prompt zmiňující konkrétní oblečení postav a typografii seriálu by téměř jistě aktivoval bezpečnostní filtr.

2. Složitost kompozice s více postavami. Současné AI modely jsou nejsilnější u scén s jedním nebo dvěma subjekty. Požadavek na pět a více postav v řízeném hloubkovém rozložení, každou v kanonickém oblečení, s konzistentním výtvarným stylem napříč všemi, přesahuje spolehlivé možnosti většiny difúzních architektur.